Tradycyjne systemy zamiany mowy na tekst często gubią się przy hałasach w tle, nie radzą sobie ze specjalistycznym słownictwem, a wypowiedziane pauzy czy przejęzyczenia zamieniają w ciąg niepotrzebnych znaków. Google postanowiło rozwiązać ten problem, prezentując Gemini 3.5 Transcribe – swój najnowszy i najbardziej zaawansowany model sztucznej inteligencji stworzony do przetwarzania głosu w czasie rzeczywistym.
Gemini 3.5 Transcribe – AI samoczynnie poprawi Twoje przejęzyczenia
Główna siła nowego algorytmu leży w jego niesamowitej elastyczności. Działa on bowiem niczym błyskawiczny korektor naszej mowy. Zamiast bezmyślnie przepisywać każdy dźwięk, model sam usuwa z wypowiedzi irytujące „eee” czy „yhy” i samodzielnie dba o interpunkcję. Co więcej, potrafi wychwycić zmianę myśli w locie. Wystarczy powiedzieć „spotkajmy się we wtorek… nie, jednak w środę”, a w polu tekstowym pojawi się gotowe zdanie ze skorygowanym dniem tygodnia.
Technologia nie gubi się w hałasie i bezbłędnie spisuje skomplikowane kody czy numery zamówień. Ponadto rozróżnia do trzech osób w jednym nagraniu i bez zająknięcia obsługuje ponad 85 języków. Skuteczność modelu potwierdzają twarde dane liczbowe. Opóźnienia spadły aż o 70% względem poprzedniej generacji, a margines błędu w rozpoznawaniu słów zjechał do zaledwie 2,6%.
Jedno polecenie głosowe wygeneruje obraz lub napisze maila
Nowa technologia nie trafi do szuflady. Google od razu pakuje ją do swoich najważniejszych aplikacji, by pisanie głosem wreszcie przestało być drogą przez mękę.
Na Androidzie i w klawiaturze Gboard zadebiutuje funkcja Rambler, która pozwoli błyskawicznie dyktować wiadomości i bezdotykowo zmieniać ton wypowiedzi. Z kolei posiadacze komputerów Mac i aplikacji Gemini zyskają potężne narzędzie do pracy. Za pomocą samego głosu zlecą sztucznej inteligencji wygenerowanie grafiki czy streszczenie otwartego dokumentu. Wisienką na torcie będzie integracja z Chrome. Już niedługo podyktujesz treść w absolutnie każdym polu tekstowym w sieci.
Wszystko to pokazuje, że sterowanie głosem przestaje być wyłącznie technologiczną ciekawostką, a staje się realnym ułatwieniem codziennej pracy. Nadchodzące miesiące pokażą, jak szybko konkurencja będzie w stanie odpowiedzieć na to rozwiązanie.
Źródło tekstu i zdjęcia otwierającego: Google